Made available in DSpace on 2016-08-29T15:33:16Z (GMT). No. of bitstreams: 1 tese_4982_.pdf: 796586 bytes, checksum: 94cd243fe7bce4430684cdf530b0ef91 (MD5) Previous issue date: 2011-08-30 / Este trabalho apresenta um novo preditor de séries temporais baseado em rede neural sem peso que utiliza Virtual Generalized Random Access Memory para predizer retorno futuro de ações. Esse novo preditor foi avaliado na predição de retornos futuros semanais de 46 ações de mercado de ações brasileiro. Os resultados mostram que preditores neurais sem peso podem produzir predições de retornos com os mesmo níveis de erros e propriedades de um preditor neural autoregressivo, entretando, 5.000 vezes mais rápido.

Submitted by Irene Nascimento (irene.kessia@ufpe.br) on 2016-09-27T18:39:30Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) RicardoDeAndradeAraujo.pdf: 2136922 bytes, checksum: 3bf9d638152b4cc1870ed7c533772fae (MD5) / Made available in DSpace on 2016-09-27T18:39:30Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) RicardoDeAndradeAraujo.pdf: 2136922 bytes, checksum: 3bf9d638152b4cc1870ed7c533772fae (MD5) Previous issue date: 2016-01-01 / CNPQ / Este trabalho apresenta um estudo sobre séries temporais financeiras, em alta-frequência, na tentativa de identificar as características do seu fenômeno gerador e, baseado neste estudo, propor um modelo, composto por uma combinação balanceada entre operadores lineares e operadores não-lineares crescentes e decrescentes, capaz de prever este tipo particular de série temporal. Para o processo de aprendizagem, é proposto um método baseado em gradiente descendente, utilizando ideias do algoritmo de retropropagação do erro (back propagation, BP) e uma abordagem alternativa para superar o problema da não-diferenciabilidade dos operadores não-lineares. Uma análise experimental é conduzida com o modelo proposto, utilizando um conjunto de séries temporais financeiras, em alta-frequência, do mercado de ações Brasileiro: Banco do Brasil SA, Banco Bradesco SA, Brasil Foods SA, BR Malls Participações SA e Companhia Energética Minas Gerais. Nestes experimentos, um conjunto relevante de medidas é utilizado para avaliar o desempenho preditivo do modelo proposto, e os resultados alcançados superam aqueles obtidos utilizando técnicas estatísticas, neurais e híbridas apresentadas na literatura. Também, são realizadas simulações com um sistema de apoio à decisão, baseado em previsão, para compra e venda de ações, tendo em vista demonstrar o desempenho econômico expressivo do modelo proposto no mercado de ações, em alta-frequência. / This work presents a study about high-frequency financial time series to identify the characteristics of their generator phenomenon and, based on such study, to propose a model, composed of a balanced combination of linear operators and increasing and decreasing nonlinear operators, able to predict this kind of time series. For the learning process, it is proposed a descent gradient-based method, using ideas from the back propagation (BP) algorithm and a systematic approach to overcome the problem of nondifferentiability of nonlinear operators. An experimental analysis is conducted with the proposed model, using a set of highfrequency financial time series of the Brazilian stock market: Banco do Brasil SA, Banco Bradesco SA, Brasil Foods SA, BR Malls Participações SA and Companhia Energética Minas Gerais. In these experiments, a relevant set of measures are used to assess the prediction performance of the proposed model, and the achieved results overcome those obtained by statistical, neural and hybrid techniques presented in the literature. Also, it is performed simulations with a prediction-based decision support system, for buy and sale of stocks, to demonstrate the significant economic performance of the proposed model in real high-frequency stock market